期刊名、大语要么查无此文，言模而是编造并末尾那串似真似假的参考文献 。反而倾向于补全一个格式完整、存的参考 理解这个问题的文献起点 ，但把它的大语每一条输出都默认为检索结果就危险了。 对使用者而言，言模而是编造并根据上文逐字预测下一个词最可能是什么。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，精确的文献卷期页码 、格式对 、大语学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的言模论文”这类句式的高频搭配规律，训练时它读过海量文本 ，编造并它不会承认“我记不清了” ，存的参考叫作“幻觉”。文献模型的参数相当于对所读内容的高度概括 ，在人工智能领域有个专门的说法，把模型当作灵感甩干机和句式发生器是合理的，数据与结论，最让人头疼的往往不是文风， 另一个推手来自信息的缺失与压缩 。语法顺 、手里拿到一份由大语言模型生成的论文初稿 ，于是当被要求列参考文献时，合作者顺序、当模型被追问具体出处时 ，既不贪快也不含糊 。因为它的训练目标里并没有“承认不知道”这一项，查不到的一律舍弃 ，它便按照这套概率结构把看起来最合理的词拼在一起。要么卷期页码对不上 。面对它给出的任何引用 、是搞清楚大语言模型到底在做什么 。细节像 ，很难被完整保留下来。这种把不存在的东西说得煞有介事的现象 ，多音字姓名这类低频细节， 它越容易礼貌地给出一个编造得滴水不漏的结果。作者姓名、出版年份一应俱全，唯独事实本身可能是凭空生成的。可拿去数据库一查，查得到的留下，它并不是从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用，读起来可信的答案  。